Oct, 2023

个性化车载手势识别技术与飞行时间相机

PDF
TL;DR我们提出了一种模型适应的方法来个性化训练 CNNLSTM 模型，提高识别准确性并减少数据需求，在驾驶环境中改进动态手势识别的效率和准确性，从而增强车内交互的安全性、便利性，以及驾驶员的体验和对系统的信任。通过使用飞行时间相机的硬件增强和数据增强、个性化适应以及增量学习技术的算法增强，我们评估了方法的识别准确性，达到了 90％，并展示了个性化适应和增量学习对以用户为中心的设计的有效性。
gesture recognitiondriving environmentcnnlstm modelpersonalized adaptationincremental learning
发现论文，激发创造
  • 基于关键点和雷达流融合的自动驾驶手势识别

    本研究提出了一种联合摄像机和雷达方法，使自动驾驶车辆能够了解和响应日常交通中的人类手势，通过处理雷达和摄像机数据，利用融合神经网络提高手势识别的准确性。

    Feb, 2023

  • 自主驾驶车辆的交通控制手势识别

    本研究利用 3D 骨骼输入设计数据集，旨在提供用于交通控制手势识别的学习数据，并针对其进行了多种深度神经网络、注意力机制、图卷积网络等方案，同时进行了真实环境测试和综合分析。

    Jul, 2020

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 基于时空多层感知器的手势识别

    提出了一种基于神经网络的新型手势识别架构，只需使用人体骨骼输入数据，即可实现最先进的效果，应用于自动驾驶中具有实时性能和稳定性。

    Apr, 2022

  • 基于卷积神经网络的多普勒雷达手势识别系统

    本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

    Nov, 2017

  • 电容式感应设备的灵活手势识别：在职适应

    本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

    May, 2023

  • 使用网络摄像头在长距离上识别动态手势以进行机器人引导

    本研究提出了一种从最多 20 米的远距离识别动态手势的模型 (SlowFast and Transformer architectures)，该模型能有效处理和分类视频帧中捕捉到的复杂手势序列，并且在性能上明显优于现有模型。

    Jun, 2024

  • 使用动态神经网络进行长距离手势识别

    我们提出了一种新颖、准确和高效的手势识别方法，通过动态神经网络从输入传感器数据的手势所在空间区域中选择特征进行进一步处理，从而使网络能够专注于手势识别所需的重要特征，并且在计算效率上优于其他技术。我们在 LD-ConGR 长距离数据集上展示了我们方法的性能，它在识别准确度和计算效率上优于之前的最先进方法。

    Aug, 2023

  • 低复杂度递归神经网络的便携式设备动态手势识别

    使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

    Aug, 2016

  • 利用雷达点云进行跨模态学习的图形表示，长距离手势识别

    本文提出了一种利用基于点云的交叉学习方法（从相机到六十吉赫兹 FMCW 雷达）的长距离（1m-2m）手势识别解决方案，使用动态图卷积神经网络（DGCNN）建模点之间的关系并用双向 LSTM 网络建模时间动态，实验结果表明该模型在五个手势的整体精度达到了 98.4％且具有泛化能力。

    Mar, 2022